九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

原文鏈接：http://tecdat.cn/?p=17592 

最近，我們使用隱馬爾可夫模型開發(fā)了一種解決方案，并被要求解釋這個方案。

HMM用于建模數(shù)據(jù)序列，無論是從連續(xù)概率分布還是從離散概率分布得出的。它們與狀態(tài)空間和高斯混合模型相關(guān)，因為它們旨在估計引起觀測的狀態(tài)。狀態(tài)是未知或“隱藏”的，并且HMM試圖估計狀態(tài)，類似于無監(jiān)督聚類過程。

例子

在介紹HMM背后的基本理論之前，這里有一個示例，它將幫助您理解核心概念。有兩個骰子和一罐軟糖。B擲骰子，如果總數(shù)大于4，他會拿幾顆軟糖再擲一次。如果總數(shù)等于2，則他拿幾把軟糖，然后將骰子交給A?，F(xiàn)在該輪到A擲骰子了。如果她的擲骰大于4，她會吃一些軟糖，但是她不喜歡黑色的其他顏色（兩極分化的看法），因此我們希望B會比A多。他們這樣做直到罐子空了。

現(xiàn)在假設(shè)A和B在不同的房間里，我們看不到誰在擲骰子。取而代之的是，我們只知道后來吃了多少軟糖。我們不知道顏色，僅是從罐子中取出的軟糖的最終數(shù)量。我們怎么知道誰擲骰子？HMM。

在此示例中，狀態(tài)是擲骰子的人，A或B。觀察結(jié)果是該回合中吃了多少軟糖。如果該值小于4，骰子的擲骰和通過骰子的條件就是轉(zhuǎn)移概率。由于我們組成了這個示例，我們可以準確地計算出轉(zhuǎn)移概率，即1/12。沒有條件說轉(zhuǎn)移概率必須相同，例如A擲骰子2時可以將骰子移交給他，例如，概率為1/36。

模擬

首先，我們將模擬該示例。B平均要吃12顆軟糖，而A則需要4顆。


# 設(shè)置simulate <- function(N, dice.val = 6, jbns, switch.val = 4){

＃模擬變量?？梢灾皇褂靡粋€骰子樣本＃不同的機制，例如只丟1個骰子，或任何其他概率分布

b<- sample(1:dice.val, N, replace = T) + sample(1:dice.val, N, replace = T)a <- sample(1:dice.val, N, replace = T) + sample(1:dice.val, N, replace = T)bob.jbns <- rpois(N, jbns[1])alice.jbns <- rpois(N, jbns[2])

# 狀態(tài)draws <- data.frame(state = rep(NA, N), obs = rep(NA, N),









# 返回結(jié)果return(cbind(roll = 1:N, draws))



# 模擬場景



draws <- simulate(N, jbns = c(12, 4), switch.val = 4)

# 觀察結(jié)果

ggplot(draws, aes(x = roll, y = obs)) + geom_line()

如您所見，僅檢查一系列計數(shù)來確定誰擲骰子是困難的。我們將擬合HMM。由于我們正在處理計數(shù)數(shù)據(jù)，因此觀察值是從泊松分布中得出的。


fit.hmm <- function(draws){

# HMMmod <- fit(obs ~ 1, data = draws, nstates = 2, family = poisson()





# 通過估計后驗來預(yù)測狀態(tài)est.states <- posterior(fit.mod)head(est.states)

# 結(jié)果

hmm.post.df <- melt(est.states, measure.vars =



# 輸出表格print(table(draws[,c("state", "est.state.labels")]))



## iteration 0 logLik: -346.2084## iteration 5 logLik: -274.2033## converged at iteration 7 with logLik: -274.2033## est.state.labels## state alice bob## a 49 2## b 3 46

模型迅速收斂。使用后驗概率，我們估計過程處于哪個狀態(tài)，即誰擁有骰子，A或B。要具體回答該問題，我們需要更多地了解該過程。在這種情況下，我們知道A只喜歡黑軟糖。否則，我們只能說該過程處于狀態(tài)1或2。下圖顯示了HMM很好地擬合了數(shù)據(jù)并估計了隱藏狀態(tài)。


# 繪圖輸出



g0 <- (ggplot(model.output$draws, aes(x = roll, y = obs)) + geom_line() +theme(axis.ticks = element_blank(), axis.title.y = element_blank())) %>% ggplotGrobg1 <- (ggplot(model.output$draws, aes(x = roll, y = state, fill = state, col = state)) +





g0$widths <- g1$widthsreturn(grid.arrange(g0, g1



plot.hmm.output(hmm1)

令人印象深刻的是，該模型擬合數(shù)據(jù)和濾除噪聲以估計狀態(tài)的良好程度。公平地說，可以通過忽略時間分量并使用EM算法來估計狀態(tài)。但是，由于我們知道數(shù)據(jù)形成一個序列，因為觀察下一次發(fā)生的概率取決于前一個即\（P（X_t | X_ {t-1}）\），其中\(zhòng)（X_t \ ）是軟糖的數(shù)量。

考慮到我們構(gòu)造的問題，這可能是一個相對簡單的案例。如果轉(zhuǎn)移概率大得多怎么辦？




simulate(100, jbns = c(12, 4), switch.val = 7)

## iteration 0 logLik: -354.2707## iteration 5 logLik: -282.4679## iteration 10 logLik: -282.3879## iteration 15 logLik: -282.3764## iteration 20 logLik: -282.3748## iteration 25 logLik: -282.3745## converged at iteration 30 with logLik: -282.3745## est.state.labels## state alice bob## alice 54 2## bob 5 39 plot(hmm2)

這有很多噪音數(shù)據(jù)，但是HMM仍然做得很好。性能的提高部分歸因于我們對從罐中取出的軟糖數(shù)量的選擇。分布越明顯，模型就越容易拾取轉(zhuǎn)移。公平地講，我們可以計算中位數(shù)，并將所有低于中位數(shù)的值都歸為一個狀態(tài)，而將所有高于中位數(shù)的值歸為另一狀態(tài)，您可以從結(jié)果中看到它們做得很好。這是因為轉(zhuǎn)移概率非常高，并且預(yù)計我們會從每個狀態(tài)觀察到相似數(shù)量的觀察結(jié)果。當轉(zhuǎn)移概率不同時，我們會看到HMM表現(xiàn)更好。

如果觀察結(jié)果來自相同的分布，即A和B吃了相同數(shù)量的軟糖怎么辦？


hmm3 <- fit.hmm(draws)plot(hmm3)

不太好，但這是可以預(yù)期的。如果從中得出觀察結(jié)果的分布之間沒有差異，則可能也只有1個狀態(tài)。

實際如何估算狀態(tài)？

首先，狀態(tài)數(shù)量及其分布方式本質(zhì)上是未知的。利用對系統(tǒng)建模的知識，用戶可以選擇合理數(shù)量的狀態(tài)。在我們的示例中，我們知道有兩種狀態(tài)使事情變得容易?？赡苤来_切的狀態(tài)數(shù)，但這并不常見。再次通過系統(tǒng)知識來假設(shè)觀察結(jié)果通常是合理的，這通常是合理的。

從這里開始，使用 Baum-Welch算法 來估計參數(shù)，這是EM算法的一種變體，它利用了觀測序列和Markov屬性。除了估計狀態(tài)的參數(shù)外，還需要估計轉(zhuǎn)移概率。Baum-Welch算法首先對數(shù)據(jù)進行正向傳遞，然后進行反向傳遞。然后更新狀態(tài)轉(zhuǎn)移概率。然后重復(fù)此過程，直到收斂為止。

在現(xiàn)實世界

在現(xiàn)實世界中，HMM通常用于

• 股票市場預(yù)測，無論市場處于牛市還是熊市 

• 估計NLP中的詞性

• 生物測序

• 序列分類

僅舉幾例。只要有觀察序列，就可以使用HMM，這對于離散情況也適用。

---